Investigating the Effects of Hyperbaric Oxygen Treatment in Necrotizing Soft Tissue Infection With Transcriptomics and Machine Learning (the HBOmic Study): Protocol for a Prospective Cohort Study With Data Validation
Notice bibliographique
Résumé
Background Necrotizing soft tissue infections (NSTIs) are complex multifactorial diseases characterized by rapid bacterial proliferation and progressive tissue death. Treatment is multidisciplinary, including surgery, broad-spectrum antibiotics, and intensive care; adjunctive treatment with hyperbaric oxygen (HBO2) may also be applied. Recent advances in molecular technology and biological computation have given rise to new approaches to infectious diseases based on identifying target groups defined by activated pathophysiological mechanisms. Objective We aim to capture NSTI disease signatures and mechanisms and responses to treatment in patients that receive the highest standard of care; therefore, we set out to investigate genome-wide transcriptional responses to HBO2 treatment during NSTI in the host and bacteria. Methods The Effects of Hyperbaric Oxygen Treatment Studied with Omics (HBOmic) study is a prospective cohort study including 95 patients admitted for NSTI at the intensive care unit of Copenhagen University Hospital (Rigshospitalet), Denmark, between January 2013 and June 2017. All participants were treated according to a local protocol for management of NSTI, and biological samples were obtained and stored according to a standard operational procedure. In the proposed study, we will generate genome-wide expression profiles of whole-blood samples and samples of infected tissue taken before and after HBO2 treatment administered during the initial acute phase of infection, and we will analyze the profiles with unsupervised hierarchical clustering and machine learning. Differential gene expression will be compared in samples taken before and after HBO2 treatment (N=85), and integration of profiles from blood and tissue samples will be performed. Furthermore, findings will be compared to NSTI patients who did not receive HBO2 treatment (N=10). Transcriptomic data will be integrated with clinical data to investigate associations and predictors. Results The first participant was enrolled on July 27, 2021, and data analysis is expected to begin during autumn 2022, with publication of results immediately thereafter. Conclusions The HBOmic study will provide new insights into personalized patient management in NSTIs. Trial Registration ClinicalTrials.gov NCT01790698; https://clinicaltrials.gov/ct2/show/NCT01790698 International Registered Report Identifier (IRRID) DERR1-10.2196/39252
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Étiquettes directes de modèles (non validées)
Étiquettes de catégorie et de devis d'étude par modèle, issues des rondes d'étiquetage. C'est une sortie machine, non validée, et le désaccord entre modèles est livré comme donnée. Aucun devis ici n'est encore validé contre MEDLINE.
| Bras | Catégories | Devis d'étude | Confiance |
|---|---|---|---|
| gemma | aucune catégorie Domaine: non disponible · Genre: Protocole Porte sur le système de recherche canadien: non · Porte sur un sujet canadien: non | Sans objet | low |
| gpt | aucune catégorie Domaine: non disponible · Genre: Protocole Porte sur le système de recherche canadien: non · Porte sur un sujet canadien: non | Observationnel | high |
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,021 | 0,022 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,003 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,003 | 0,002 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,022 | 0,005 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéeÉtiqueté directement par 2 modèles lisant le dossier complet.
Les modèles divergent sur des parties de cette classification; chaque voix est préservée dans la section en fin de page.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».